人工智能代理的兴起与停滞：炒作消退的原因及未来发展
人工智能代理：从狂热到现实检验
2023-2024年人工智能代理开发的快速增长势头正在减弱。曾经，只要拥有API接口和少量微调就能推出引人注目的新产品，现在已经演变成竞争激烈、注重成本的战场。 各公司正从实验性的热情转向实际的商业化，投资者也要求具备长期生存能力。 行业在不断进步，但轻松获胜的日子已经结束。
人工智能代理必须克服的挑战
1. 数据稀缺：垃圾进，垃圾出
人工智能代理面临的最大障碍之一是缺乏高质量、特定领域的数据。 基础模型是在海量数据集上训练的，但它们在医疗保健、金融和法律等专业行业的有效性令人怀疑。 这些领域需要精确性，但由于碎片化或无法访问的专有数据，人工智能常常难以胜任。 如果没有结构化的、经过专家验证的数据集，人工智能代理对于关键应用来说仍然不可靠。
RAG 能解决这个问题吗？
检索增强生成（RAG）通常被认为是解决方案，因为它允许人工智能模型实时集成外部特定领域的数据。 虽然前景广阔，但RAG面临几个限制：
- 数据质量和可用性：RAG的有效性取决于访问结构化的、高质量的、最新的数据。在许多行业中，数据要么是碎片化的，要么是专有的，使得可靠的检索变得困难。
- 集成复杂性：RAG需要与外部数据源无缝集成，这在处理各种格式和实时需求时可能在技术上具有挑战性。
- 延迟问题：实时应用需要即时响应时间，但RAG会因数据检索和处理而引入延迟。
- 维护开销：外部数据不断变化，需要持续更新和验证，这可能会耗费大量资源。
- 安全和合规性问题：受监管的行业对数据隐私和安全有严格的规定，使得在确保合规性的同时难以实施RAG。
如果不克服这些障碍，人工智能代理将继续在关键任务应用中面临可靠性问题。
2. 成本瓶颈：人工智能能否可持续扩展？
训练和运行先进人工智能模型所需的基础设施成本高得惊人。 虽然像OpenAI的GPT-4o和Anthropic的Claude这样的模型表现出了卓越的性能，但它们的成本结构使得大规模采用具有挑战性。
为了使人工智能能够扩展，训练成本需要大幅下降——将700亿参数模型的价格从数百万美元降至数万美元。 即使采用像DeepSeek这样的成本节约优化方案，财务负担仍然很高。
DeepSeek的成本降低：一步，而非解决方案
DeepSeek报告称，其V3模型的训练耗时55天，成本约为558万美元。 虽然这低于一些竞争对手，但考虑到基础设施和GPU投资，总支出可能达到13亿美元。
推理成本（运行人工智能模型的运营费用）仍然是一个障碍。 DeepSeek提供的定价具有竞争力，每百万个输入token的价格为0.27美元，每百万个输出token的价格为1.10美元——远低于OpenAI的每百万个输入token的价格2.50美元和每百万个输出token的价格10美元。 但是，要实现真正的大规模采用，推理成本必须降低一个数量级，理想情况下达到每百万个输入token的价格0.02美元和每百万个输出token的价格0.10美元。 行业预测表明，通过分布式计算和定制人工智能芯片的进步，推理成本每年可能会下降20%-30%，这意味着我们可能需要等待1-2年才能使人工智能真正具有成本效益。
3. 市场需求错位：炒作与现实之间的差距
并非每种人工智能驱动的解决方案都能带来真正的价值。 许多应用属于**“伪需求”**类别——听起来令人印象深刻，但缺乏明确的投资回报。
以汽车行业为例：普通通勤者需要500马力的汽车吗？ 可能不需要。 同样，企业真的需要一个人工智能驱动的知识库来完成次要任务吗？ 人工智能供应商经常提出宏伟的愿景，但如果没有强大的产品与市场契合度，许多解决方案仍然是过度设计的，用来解决不存在的问题。
4. 领导力盲点：缺乏真正的人工智能产品远见者
人工智能最成功的公司——OpenAI、DeepMind和Anthropic——不仅仅是关于算法； 它们是关于愿景和执行。 然而，许多涌入人工智能领域的公司缺乏经验丰富的产品经理，他们了解如何平衡技术能力与现实世界的业务需求。 相反，这个行业充斥着由希望增加销售额的云提供商、追逐晋升的企业管理者和患有FOMO（害怕错过）的风险投资家领导的炒作驱动型项目。
人工智能代理领域的分散
尽管存在这些挑战，人工智能代理仍在不断发展，在不同领域取得了不同程度的成功。
1. 博弈论代理：学术性强，但局限性大
早期的人工智能代理应用源于多智能体强化学习研究。 这些在受控环境（例如，星际争霸人工智能、煮糊了模拟）中的战略决策方面表现出色，但很少转化为商业成功。
2. 游戏中的人工智能：超越NPC
游戏中的人工智能驱动代理具有巨大的潜力，可以增强玩家体验和动态世界构建。 然而，一个关键的挑战仍然存在：使人工智能生成的内容与人类的期望相一致——游戏开发者仍在努力解决的问题。
3. 具身人工智能：机器人需要的不仅仅是软件
机器人技术中的人工智能充满希望，但现实世界的部署受到硬件限制的阻碍。 大多数研究都是在模拟中进行的，但实际的机器人技术需要物理测试、耐用的硬件和适应性——所有这些都既昂贵又难以标准化。
4. 大规模社会模拟：人工智能社会实验
像斯坦福大学的Smallville和人工智能驱动的Twitter模拟等项目探索了类似人类的社会互动。 虽然这些可能会彻底改变城市规划和行为经济学等领域，但它们在数据保真度和计算可扩展性方面面临重大挑战。
5. 客户服务和RAG代理：实用但拥挤
人工智能驱动的聊天机器人和RAG代理是最具商业可行性的应用之一。 然而，这个市场正变得饱和，使得差异化变得越来越困难。
6. 工具使用代理：人工智能与生产力相遇
人工智能驱动的自动化工具（例如，HuggingGPT）在研究、数据分析和工作流程优化方面越来越受欢迎。 这些应用具有明显的经济效益，使其成为一个强大的投资领域。
7. 人工智能用于科学和代码生成：炒作与现实
虽然像GitHub Copilot这样的人工智能工具可以加速编码，但它们缺乏对软件架构的深入理解。 同样，人工智能驱动的科学发现充满希望，但取决于严格的实验验证和领域专业知识。
8. Minecraft 实验：过度拥挤的案例
人工智能驱动的Minecraft自动化已成为一个过度饱和的领域。 如果没有一种全新的方法，新进入者将面临很高的成功壁垒。
投资展望：人工智能代理的发展方向
1. 容易摘的果实已经没有了
从2022年到2024年初，人工智能代理初创公司可以通过最少的创新获得资金。 那个时代已经结束了。 投资者现在寻求具有可扩展性、高影响力和明确收入模式的应用。 仅仅用API包装LLM不再可行。
2. 混合模型将占据主导地位
下一波成功的人工智能代理将集成 LLM、强化学习、多模态输入和微调的领域专业知识。 仅依靠LLM的公司将难以竞争。
3. 企业人工智能将超越消费者人工智能
虽然消费者人工智能抢占了头条新闻，但真正的资金在于 B2B 人工智能解决方案——自动化企业工作流程、基础设施和业务运营。
4. 计算效率是关键的区别因素
人工智能代理的未来属于那些掌握 具有成本效益的扩展的人。 模型压缩、推理优化和去中心化人工智能计算的突破将塑造行业的下一个篇章。
淘金热已经结束——现在是努力工作的时候了
人工智能代理正在进入一个新阶段：更少的炒作，更多的执行。 投资者和商业领袖的关键问题是：这种人工智能是否解决了实际问题？ 它能否有效地扩展？ 它是否具有商业可行性？
赢家将是那些将尖端人工智能与有形的经济价值联系起来的人。